Comprendre la maltraitance des aînés en pratique familiale
Notice bibliographique
Résumé
Resume Objectif Presenter ce qui constitue la maltraitance des aines, ce dont les medecins de famille devraient etre au courant, les signes et les symptomes laissant presager de mauvais traitements chez des adultes plus âges, comment l’outil Elder Abuse Suspicion Index peut aider a detecter la maltraitance et les options qui existent pour reagir en cas de soupcons de maltraitance. Sources des donnees On a fait une recension dans MEDLINE, PsycINFO et Social Work Abstracts pour trouver des publications en francais ou en anglais, de 1970 a 2011, a l’aide des expressions elder abuse, elder neglect, elder mistreatment, seniors, older adults, violence, identification, detection tools et signs and symptoms. Les publications pertinentes ont fait l’objet d’un examen. Message principal La maltraitance des aines est une cause importante de morbidite et de mortalite chez les adultes plus âges. Si les medecins de famille sont bien places pour detecter des mauvais traitements infliges aux aines, leurs taux reels de signalement de cas de maltraitance sont plus faibles que dans d’autres professions. Cette situation pourrait s’ameliorer s’ils comprenaient mieux les genres d’agissements qui constituent de la maltraitance des aines, ainsi que les signes et les symptomes observes au bureau qui pourraient pointer vers des cas de mauvais traitements. La detection de tels cas pourrait etre facilitee par le recours a un court outil valide, comme l’Elder Abuse Suspicion Index. Conclusion Les medecins de famille peuvent jouer un role plus important dans la detection d’une eventuelle maltraitance des aines. Une fois qu’on soupconne de mauvais traitements, il existe dans la plupart des communautes des services sociaux ou des forces de l’ordre accessibles pour effectuer des evaluations plus approfondies et intervenir.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».